[发明专利]基于邻域概率密度函数特征的水平集图像分割方法

摘要

本发明公开了一种基于邻域概率密度函数特征的水平集图像分割方法，主要解决了现有方法不能有效处理自然图像的纹理基元在纹理尺度和纹理方向上的多变性的问题。其实现步骤为：初始化水平集函数；设置水平集函数迭代次数初始值和最大值；计算邻域概率密度函数特征集合；计算子集概率密度函数特征；计算相似性向量；根据水平集演化方程更新水平集函数；判断是否进入循环，如果是，则重新计算子集概率密度函数特征、相似性向量和水平集函数，否则终止循环，将水平集函数的零水平集作为输入图像的分割边界。本发明由于使用多尺度滑动窗拟合自然图像的纹理基元，较好地处理了纹理基元在纹理尺度和纹理方向上的多变性，可用于自然纹理图像的分割。

主权项

1、一种基于邻域概率密度函数特征的水平集图像分割方法，包括如下步骤：(1)初始化水平集函数φ₀；(2)设置初始水平集函数迭代次数i的初始值i₀＝1和最大值N；(3)根据设定的多尺度滑动窗的范围，计算待分割图像中每个像素的不同大小的滑动窗对应的邻域概率密度函数特征pdf_(x，y)^δ，将所有邻域概率密度特征组成邻域概率密度特征集合：pdf(x,y)δ=P(I(x,y)=i|(x,y)∈I(x,y,δ)),i∈0,1,...,2k]]>其中，I是输入图像，(x，y)是像素点的坐标，P(I(x，y)＝i))表示I(x，y)像素灰度值等于i的概率，δ是滑动窗的大小，i∈0，1，...，2^k表示像素灰度值i的大小范围，k为幂次，I(x，y，δ)表示像素(x，y)的滑动窗尺度大小为δ的像素集合；(4)计算待分割图像中每类纹理的子集概率密度函数特征：pdf_Ω＝P(I(x，y)＝i|(x，y)∈Ω)   i∈0，1，...，2^k其中，Ω为某类纹理的全部像素组成的子集合；(5)计算邻域概率密度函数特征集合与子集概率密度函数特征的相似性向量(6)利用相似性向量构造新的水平集演化方程，并根据该演化方程对水平集函数进行更新：∂φ∂t=δ(φ)[μ*div(▿φ|▿φ|)+λin*max(KS→in)-λout*max(KS→out)]]]>其中，φ是水平集函数，δ(φ)是Dirac函数，t是步长，代表梯度算子，div代表散度算子，代表邻域概率密度特征集合与in类纹理特征的相似性向量，代表邻域概率密度特征集合与out类纹理特征的相似性向量，max代表求取向量的最大值，μ为散度项权系数，λ_in为局部纹理与in类纹理的相似性权系数，λ_out为局部纹理与out类纹理的相似性权系数，μ＞0，λ_in，λ_out＞0；(7)根据水平集函数的当前迭代次数i和设定的最大迭代次数N，判断是否终止水平集函数更新，如果i小于N，则将迭代次数i加1，重复步骤(4)～步骤(6)，否则，终止水平集函数更新，并将水平集函数φ的零水平集作为待分割图像的分割区域边界。